Langchain-core 基础数据模型（message、outputs，output_parsers）

用户输入消息 (BaseMessage) → LLM 执行 → 产出LLMResult二维容器（内部包含ChatGeneration/ChatGenerationChunk、内部携带BaseMessage/AIMessageChunk） → 取出 generations 交给BaseOutputParser做解析，输出业务数据
示例：

点击查看代码

from langchain_core.messages import HumanMessage, AIMessageChunk
from langchain_core.outputs import LLMResult, ChatGenerationChunk
from langchain_core.output_parsers import StringOutputParser

# ========== 1. messages模块：用户输入消息（蓝色区域） ==========
user_input = HumanMessage(content="请简单介绍Python")

# ========== 2. outputs模块：模拟大模型流式返回，组装LLMResult（绿色区域） ==========
# 模拟流式分片，AIMessageChunk实现BaseMessageChunk协议，支持 __add__ 拼接
chunk_1 = AIMessageChunk(content="Python是")
chunk_2 = AIMessageChunk(content="一门解释型编程语言。")

# ChatGenerationChunk：包裹消息分片，实现GenerationChunk协议
gen_chunk_1 = ChatGenerationChunk(message=chunk_1)
gen_chunk_2 = ChatGenerationChunk(message=chunk_2)

# LLMResult 二维generations：外层batch，内层候选输出；可以直接存放Chunk对象
llm_result = LLMResult(
    generations=[
        [gen_chunk_1, gen_chunk_2]
    ],
    llm_output={"model_name":"mock‑llm"}
)

# ========== 3. output_parsers模块：解析器消费LLMResult的数据（浅黄色区域） ==========
parser = StringOutputParser()

# 从LLMResult取出内层List[Generation|ChatGenerationChunk]，传给parse_result
generation_list = llm_result.generations[0]
# partial=True：流式增量解析
final_text = parser.parse_result(generation_list, partial=True)

print(final_text)
# 输出：Python是一门解释型编程语言。

Generation是支持text:str的原始模型的，chatGeneration则是支持新模型，同时为了兼容旧模型，chunk则代表流式，和非流式最终的结果是一致的，只不过流式在响应优势明显（逐步输出）